2020 Modulhandbuch DS

Berufsbegleitender Masterstudiengang
Data Science (M.Sc.)

Modulhandbuch
Stand: Sommersemester 2020
Modulhandbuch Studiengang Data Science (Master of Science) –
Hochschule Albstadt-Sigmaringen
__________________________________________________________________________________________________________
Inhalt
Vorbemerkung ........................................................................................................................................ 2
2 Modulübersicht & Studienplan ........................................................................................................... 3
3 Studiengangs-Kompetenzmatrix ........................................................................................................ 4
4 Qualifikationsziel-Modul-Matrix .......................................................................................................... 6
5 Modulbeschreibungen ......................................................................................................................... 8
10100 Programming for Data Science ............................................................................................... 8
10200 Mathematical Foundation for Data Science ........................................................................... 9
10300 Data Mining ............................................................................................................................ 10
10400 Business Intelligence & Warehouse ...................................................................................... 12
20100 Databases ............................................................................................................................... 13
20200 WebData Integration ............................................................................................................. 14
20300 Machine Learning................................................................................................................... 15
20400 Decision Support.................................................................................................................... 17
30100 Big Data .................................................................................................................................. 18
30200 Advanced Machine Learning ................................................................................................. 20
30300 Text Mining ............................................................................................................................. 23
30400 Business Process and Big Data Use Cases ............................................................................ 24
40100 Summer School ...................................................................................................................... 26
40200 Seminararbeit ........................................................................................................................ 27
50100 Advanced Statistics................................................................................................................ 28
50200 Web Mining ............................................................................................................................. 30
50300 Semantic Web Technologies ................................................................................................. 31
50400 Data Privacy & Data Compliance........................................................................................... 33
60100 Masterthesis ........................................................................................................................... 35
Hinweis: Die Abkürzungen wurden aus der Studien- und Prüfungsordnung des Masterstudienganges Data Science
entnommen und sind in § 36 der Studienprüfungsordnung Data Science erläutert.
Seite 1
__________________________________________________________________________________________________________
Vorbemerkung
Der Studiengang ist als Fernstudium mit integriertem Blended-Learning-Ansatz modular mit
Studienbriefen, Präsenz- und Online-Phasen sowie Betreuung durch Online-Tutoren und
Professoren aufgebaut. Die Regelstudienzeit beträgt bis zum Erreichen des Master-Grades sechs
Semester.
Das Studium vermittelt theoretische und praktische Kenntnisse in den Bereichen Datenanalyse,
Datenextraktion und Dateninterpretation. Ziel des Studiums ist die Befähigung des Absolventen zu
praktischen, konzeptionellen, wissenschaftlichen und wirtschaftlichen Tätigkeiten im Bereich Data
Science.
Im 1. Semester werden die Grundlagen für Data Science in den Bereichen Business Intelligence, Data
Warehouse, Data Mining sowie Programmiergrundlagen vermittelt. Aufbauend auf diesen Grund-
lagen werden im 2. bis 5. Semester die Kenntnisse mittels Modulen in den Bereichen Big Data,
Machine Learning, Text- und Web Mining, Decision Support, Compliance, Business Process sowie
Advanced Statistics vertieft.
Im 4. Semester wird ein zweiwöchiges Kompaktseminar durchgeführt, in welchem die Studierenden

mit Unterstützung von Fachexperten aus der Industrie und Behörden Werkzeuge und Methoden der
Datenanalyse kennenlernen. Darüber hinaus beginnen die Studierenden eine praktische Seminar-
arbeit, die optimalerweise in Zusammenarbeit mit einem Unternehmen in der Anwendungsbranche
erfolgt.
Mit der Masterthesis zeigen die Teilnehmer am Ende des Studiums, dass sie die Fähigkeiten besitzen,
Theorie und Technik mit Reflexion auf die eigene berufliche Qualifizierung wissenschaftlich
umzusetzen.
Seite 2
__________________________________________________________________________________________________________
2 Modulübersicht & Studienplan

Die nachfolgende Abbildung zeigt die Verteilung der Module und ECTS-Punkte im Semesterverlauf:
Fach-
Business Information Data Analytics Data Management
semester
Master-Thesis (25 ECTS) und Verteidigung (5 ECTS)

6
Modul 60100, 30 ECTS
Vertiefungs-
studium
Data Privacy & Semantic Web
Web Mining Advanced Statistics
5 Data Compliance Technologies
Modul 50200, 5 ECTS Modul 50100, 5 ECTS
Modul 50400, 5 ECTS Modul 50300, 5 ECTS
Summer School Modul 40100, 2,5 ECTS

Praxisstudium 4
Practical Work (Seminararbeit) Modul 40200, 7,5 ECTS
Business Process &

Text Mining Advanced Machine Learning Big Data
3 Big Data Use Cases
Modul 30300, 5 ECTS Modul 30200, 5 ECTS Modul 30100, 5 ECTS
Modul 30400, 5 ECTS
Vertiefungs-
studium
Decision Support Machine Learning Web Data Integration Databases
2
Modul 20400, 5 ECTS Modul 20300, 5 ECTS Modul 20200, 5 ECTS Modul 20100, 5 ECTS
Business Intelligence & Mathematical Foundations Programming

Grundlagen- Data Mining
1 Warehouses for Data Science for Data Science
studium Modul 10300, 5 ECTS
Modul 10400, 5 ECTS Modul 10200, 5 ECTS Modul 10100, 5 ECTS
Die Module einer thematischen Säule bauen inhaltlich auf einander auf. Die Teilnehmer werden kontinuierlich an schwierigere und komplexere Themen der
Data Science herangeführt.
Seite 3
__________________________________________________________________________________________________________
3 Studiengangs-Kompetenzmatrix
Kompetenzen Fachkompetenz
Wissen Fertigkeiten
Ausprägung Tiefe Breite Instrumentelle systemische Beurteilungs-
Fertigkeiten Fertigkeiten fähigkeit
Programming for Data Science x x x

Mathematical Foundations for Data Science x x
Data Mining x x x x
Business Intelligence & Warehouse x x x
Databases x x x
WebData Integration x x x
Machine Learning x x x
Decision Support x x x
Big Data x x x
Advanced Machine Learning x x x
Text Mining x x x
Business Process and Big Data Use Cases x x
Summer School x x
Seminararbeit x x x
Advanced Statistics x x x
Web Mining x x x
Semantic Web Technologies x x x
Data Privacy & Data Compliance x x
Master Thesis x x x
Seite 4
__________________________________________________________________________________________________________
Kompetenzen Personale Kompetenz

Sozialkompetenz Selbständigkeit
Ausprägung Team- Mitgestaltung Kommunikation Eigenständigkeit/ Reflexivität Lernkompetenz
/Führungs- Verantwortung
fähigkeit
Programming for Data Science
Mathematical Foundations for Data Science
Data Mining
Business Intelligence & Warehouse
Databases
WebData Integration
Machine Learning
Decision Support
Big Data
Advanced Machine Learning
Text Mining
Business Process and Big Data Use Cases x x x
Summer School x x x
Seminararbeit x x x
Advanced Statistics
Web Mining
Semantic Web Technologies
Data Privacy & Data Compliance x x x
Master Thesis x x x
Seite 5
__________________________________________________________________________________________________________
4 Qualifikationsziel-Modul-Matrix
Konzeptentwicklun DS Forschung
Summe der
k
Qualifikationsziel (QuZ) Problemstellungen und
erkennen, Entwicklung
analysieren und im DS
lösen Umfeld
ü
Modulbezeichnung
U
Modul-Nr.
10100 Programming for Data Science 5 1 2 2
10200 Mathematical Foundations for Data Science 5 1 2 2
10300 Data Mining 5 1 2 2
10400 Business Intelligence & Warehouse 5 2 2 1
20100 Databases 5 1 2 2
20200 WebData Integration 5 1 2 2
20300 Machine Learning 5 1 2 2
20400 Decision Support 5 1 2 2
30100 Big Data 5 1 2 2
30200 Advanced Machine Learning 5 1 2 2
30300 Text Mining 5 1 2 2
30400 Business Process and Big Data Use Cases 5 2 2 1
Seite 6
__________________________________________________________________________________________________________
40100 Summer School 5 2 2 1
40200 Seminararbeit 5 2 2 1
50100
Advanced Statistics 5 1 2 2
50200
Web Mining 5 1 2 2
50300 Semantic Web Technologies 5 1 2 2
50400
Data Privacy & Data Compliance 5 2 2 1
60100 Master Thesis 5 2 2 1
Seite 7
__________________________________________________________________________________________________________
5 Modulbeschreibungen
10100 Programming for Data Science

Modul: Programming for Data Science
10100 Workload Modulart Studiensemester Dauer Häufigkeit
150 h P 1 1 Semester WS
1 Lehrveranstaltung(en) Sprache Präsenz- Selbst- Credits

zeit studium (ECTS)
Onlinevorlesungen, Präsenzwochenende, Deutsch/
Fernstudien Englisch 20h 130h 5
2 Lernergebnisse (learning outcomes), Kompetenzen:
Kompetenz Wissen
Die Studierenden sind in der Lage in R und Python funktional und datenorientiert zu programmieren und
mit Data Frames umzugehen. [Wissen, 7]
Kompetenz Fertigkeiten
Die Studierenden können den Stoff praktisch in der Programmiersprache R und Python für
Analysen umsetzen [Instrumentelle Fertigkeiten, 7]
Sozialkompetenz
Die Studierenden können statistische Sachverhalte anderen vermitteln. [Kommunikation, 6]
Selbstständigkeit
Die Studierenden können selbstständig Analysen mittels der Programmiersprachen R und
Python durchführen. [Eigenständigkeit/Verantwortung, 7]
3 • Grundlagen Python: Schleifen, Variablen, grundlegende Daten-strukturen wie Listen, Tupel,
Strings und Dictionaries.
• Funktionale Programmierung mit Python: Map, Filter, Reduce, List-Comprehensions
• Grundlagen Numpy
• Grundpagen Pandas, Data Frames
• Grundlagen R: Vektorisierte Operationen, Vektoren, Listen, Matrizen, Data Frames
• Grundlagen der Visualisierung in Python und R mit Matplotlib und ggplot.
Empfohlene Literaturangaben:
• Häberlein, T. (2017). Informatik: Eine Einführung mit Bash und Python. De Gruyter Oldenbourg-
Verlag.
• McKinney, W. (2012). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and
IPython. O’Reilly Media, Inc.
• Wollschläger, D. (2013). R Kompakt: Der Schnelle Einstieg in die Datenanalyse (Springer-
Lehrbuch). Springer-Verlag
• Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O’Reilly Media,
Inc.
Seite 8
__________________________________________________________________________________________________________
4 Teilnahmevoraussetzungen:
keine
5 Prüfungsformen:
Klausur K60
6 Voraussetzungen für die Vergabe von Kreditpunkten:
Am Präsenzwochenende ist eine Klausur (60 min) zu schreiben.
8 Modulverantwortliche(r):
Prof. Dr. Häberlein

Dozenten: Prof. Dr. Häberlein
10200 Mathematical Foundation for Data Science

Modul: Mathematical Foundation for Data Science

zeit studium (ECTS)
Kompetenz Wissen
Die Studierenden haben sich Anwendungsnahes Wissen in Stochastik, Statistik und Kombinatorik
erworben und sind in der Lage dieses Wissen mit Hilfe der Programmiersprache R anzuwenden und in den
nachfolgenden Veranstaltungen darauf aufzubauen. [Wissen, 7]
Nicht relevant
Sozialkompetenz
Nicht relevant
Selbstständigkeit
Die Studierenden erarbeiten sich den Inhalt selbständig anhand von Studienbriefen.
[Eigenständigkeit/Verantwortung, 7]
3 Inhalte:
• Grundbegriffe der Stochastik (Ereignis, Wahrscheinlichkeit, Be-dingte Wahrscheinlichkeit,

Unabhängigkeit, Zufallsvariablen)
• Maßzahlen (Erwartungswert, Varianz, Median, usw.)
• Grundlagen der Kombinatorik: Urnenmodell
Seite 9
__________________________________________________________________________________________________________
• Verteilungen, Dichtefunktionen, Zentraler Grenzwertsatz
• Induktive Statistik, Likelihood, Regression,
• Bayessche Statistik
• Entropie, Entscheidungsbäume, Huffman-Codes
• James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An Introduc-tion to Statistical Learning:
with Applications in R (Springer Texts in Statistics). Springer-Verlag.
• Lavine, M. (2007). Introduction to Statistical Thought. (online avail-able as pdf)
• Kerns, G. J. (2011). Introduction to Probability and Statistics Using R. (online available as pdf).
Grundlegendes Mathematisches Verständnis in Analysis (Ableitungen, Integration,

Gleichungsumformung, usw).
5 Prüfungsformen:
Klausur K60

10300 Data Mining

Modul: Data Mining

zeit studium (ECTS)
Kompetenz Wissen
Students will acquire fundamental knowledge of the techniques, opportunities and applications of data
mining. Successful participants will be able to identify opportunities for applying data mining in an
enterprise environment, select and apply appropriate techniques, and interpret the results. [Wissen, 7]
Students learn to apply data mining techniques in business scenarios using state of the art data mining
tools. [Instrumentelle Fertigkeiten, 7]
Sozialkompetenz
Seite 10
__________________________________________________________________________________________________________
Students learn to work as a team in order to solve a data mining project (case study). [Team-
/Führungsfähigkeit, 7]
Selbstständigkeit
Die Studierenden erarbeiten sich den Inhalt selbständig anhand von Studienbriefen. In einer
Projektarbeit während des Präsenzwochenendes lernen die Studierenden in kleineren Teams
selbständig zu arbeiten. 7]
3 Inhalte:
The course provides an introduction to advanced data analysis techniques as a basis for
analyzing business data and providing input for decision support systems. The course covers the
following topics:
• Goals and Principles of Data Mining
• The Data Mining Process (Data Representation and Preprocessing)
• Clustering (k-Means Clustering, Hierarchical Clustering, Density-based Clustering, Proximity
Measures)
• Classification (k-Nearest-Neighbors, Naïve Bayes, Decision Trees, Rule Induction, Support
Vector Machines, Neural Networks, Model Evaluation, The Overfitting Problem, Parameter
Optimization)
• Association Analysis (Frequent Itemset Generation, Rule Generation, Interestingness Measures,
Sequential Patterns)
.• Tan, P.-N., Steinback, M., Kumar, V. (2019). Introduction to Data Mining (2nd Edition). John
Wiley & Sons
Keine
5 Prüfungsformen:
Klausur K60
Projektarbeit Pj
Am Präsenzwochenende ist eine Klausur (60 min) zu schreiben und eine Projektarbeit in
Gruppen anzufertigen.
Prof. Dr. Bizer

Dozenten: Prof. Dr. Bizer
Seite 11
__________________________________________________________________________________________________________
10400 Business Intelligence & Warehouse

Modul: Business Intelligence & Warehouse

zeit studium (ECTS)
Kompetenz Wissen
Die Studierenden kennen den elementaren Aufbau von Data Warehouse Systemen und sind mit
den zentralen Konzepten der Informationsvisualisierung vertraut [Wissen, 7]
Die Studierenden sind in der Lage, die Konzepte des Data Warehousing in realen
Anwendungsszenarien konzeptionell und operativ umzusetzen. Sie können Kennzahlen mittels
geeigneter Methoden visualisieren. [Instrumentelle Fertigkeiten, 7]
Sozialkompetenz
Die Studierenden erarbeiten gemeinsam Lösungsansätze zu vorgegebenen Fragestellungen
[Mitgestaltung, 7]
Selbstständigkeit
Konzeption und Aufbau von Szenarien zur Erfassung, Aufbereitung und Analyse von Kennzahlen
wird in Bezug auf die jeweiligen Anforderungen kritisch diskutiert. [Reflexivität, 7]
3 Inhalte:
Abgrenzung dispositive vs. operative Datenbestände (OLTP / OLAP)

Data Warehouse Architekturen
ETL-Prozesse (Datenqualität, Datenbereinigung, Transformation, etc.
Logische und semantische Datenmodelle für Data Warehouses (Star-/Snowflake-Schema,…)
Implementierung von Data Warehouses (MOLAP, ROLAP,..)
spezielle Aspekte im Zusammenhang mit Data Warehouses (slowly changing dimensions,…)
Date Warehouse Projekte (agiles Vorgehen)
Aufbau eines Data Warehousing Prozesses mittels SAP BW on HANA
Visualisierung von Kennzahlen

Konzeption und Aufbau von Dashoards
Visual Analytics (Reduktion von Darstellungsdimensionen, Visualisierung von Objekten auf
Grundlage von Unähnlichkeitsmaßen…)
Empfohlene Literaturangaben
Seite 12
__________________________________________________________________________________________________________
Keine
5 Prüfungsformen:
Klausur K60
Projektarbeit Pj
Prof. Dr. Nemirovskij, Prof. Dr. Bernd Stauß

Dozenten: Prof. Dr. Nemirovskij, Prof. Dr. Bernd Stauß
20100 Databases
Modul: Databases
150 h P 2 1 Semester SS

zeit studium (ECTS)
Kompetenz Wissen
Die Studierenden
- kennen Systeme und Techniken für die parallele Datenverarbeitung
- kennen die Aufgabenstellungen aus dem Themengebiet von Big Data [Wissen, 7]
Lernergebnisse (Kompetenzen) bei:
Die Studierenden
- sind in der Lage die Problem- und Aufgabenstellungen mit Bezug auf das
Themengebiet Databases zu erkennen, diese, basierend auf eigenem Wissen und durch
die gezielte Recherche zu beschreiben, Lösungsansätze zu entwickeln und diese allein
oder im Team umzusetzen.
- sind in der Lage, eine anwendungsbezogene Evaluation von Daten, –Zugriffs- und –
Verwaltungstechniken sowie von den diese Techniken implementierenden Systemen
auszuführen, und darauf basierend eine zielgerechte Auswahl zu treffen.
- sind in der Lage wissenschaftliche Beiträge im Themenbereich Databases eigenständig
zu lesen und qualitative Vergleiche der gelesenen Beiträge
systematisch zu präsentieren. [Instrumentelle Fertigkeiten, 7]
Sozialkompetenz
Seite 13
__________________________________________________________________________________________________________
Nicht relevant 7]
Selbstständigkeit
3 Inhalte:
Datenbankentwurf
Entity-Relationship-Modell
Normalformen und Funktionale Abhängigkeiten

Das relationale Modell
SQL, Windows Functions
Constraints
Transaktionen, Stored Procedures, Trigger
Indizes
Relationale Algebra
Python- und Javazugriff auf Datenbanken
Alfons Kemper, Andre Eickler: Datenbanksysteme, De Gruyter Studium, 2015
keine
5 Prüfungsformen:
Klausur K60
Prof. Dr. Eppler

Dozenten: Prof. Dr. Eppler
20200 WebData Integration

Modul: WebData Integration

zeit studium (ECTS)
Seite 14
__________________________________________________________________________________________________________
Kompetenz Wissen
Students will be able select and apply appropriate techniques for integrating and cleansing enterprise as
well as Web data. Participants will acquire knowledge of the data integration process as well as the
techniques that are used in each phase of the process. [Wissen, 7]
Students learn to apply data integration techniques in business scenarios [Instrumentelle Fertigkeiten,
7]
Sozialkompetenz
Students learn to work as a team in ordert o suceed in a data integration project (case study)
[Team-/Führungsfähigkeit, 7]
Selbstständigkeit
Nicht relevant
3 Inhalte:
• Heterogeneity and Distributedness

• The Data Integration Process
• Web Data Formats
• Schema Mapping and Data Translation
• Identity Resolution
• Data Quality Assessment
• Data Fusion
AnHai Doan, Alon Halevy, Zachary Ives: Principles of Data Integration. Morgan Kaufmann, 2012.
Luna Dong, Divesh Srivastava: Big Data Integration. Morgan & Claypool, 2015.
Keine
5 Prüfungsformen:
Klausur K60
Projektarbeit Pj
Prof. Dr. Bizer

Dozenten: Prof. Dr. Bizer
20300 Machine Learning

Modul: Machine Learning
Seite 15
__________________________________________________________________________________________________________

zeit studium (ECTS)
Kompetenz Wissen
Die Studierenden
- kennen Grundbegriffe des Maschinellen Lernens
- kennen Verfahren und Techniken für das Maschinelle Lernen
- kennen die Aufgabenstellungen aus dem Themengebiet von Maschinellem Lernen [Wissen, 7]
Die Studierenden
Themengebiet Machine Learning zu erkennen, diese, basierend auf eigenem Wissen und durch
- sind in der Lage, eine anwendungsbezogene Evaluation von Verfahren und Methoden des Maschinellen
Lernens sowie von den diese Verfahren implementierenden Systemen
- sind in der Lage wissenschaftliche Beiträge im Themenbereich Machine Learning eigenständig
Sozialkompetenz
Die Studierenden können im Rahmen einer eigenständigen Arbeit neue Ansätze für eine
Problemstellung im Bereich Machine Learning entwickeln und diese im Team umsetzen [Team-
Selbstständigkeit
Die Studierenden sind in der Lage komplexe Aufgaben im Bereich Maschinelles Lernen
verantwortungsvoll zu erfüllen, realistische Ziele zu definieren und diese konsequent zu
verfolgen. [Eigenständigkeit/Verantwortung, 7]
3 Inhalte:
- Einführung und Grundbegriffe des Maschinellen Lernens

- Lineare Modelle für Regression
- Lineare Modelle für Klassifikation
- Neuronale Netze und Backpropagation
- Reinforcement Learning
- Unüberwachte Lernverfahren
- Implementierung/Anwendung ausgewählter Methoden mit Python, Numpy, Pandas,
Scikit-learn
Seite 16
__________________________________________________________________________________________________________
• Bishop, C. (2006). Pattern Recognition and Machine Learning. Springer.
• Raschka, S. (2016). Python Machine Learning. Packt Publishing.
• McKinney, W. (2013). Python for Data Analysis. O’Reilly.
Keine
5 Prüfungsformen:
Klausur K60
Prof. Dr. Andreas Knoblauch

Dozent. Prof. Dr. Andras Knoblauch
20400 Decision Support

Modul: Decision Support

zeit studium (ECTS)
Kompetenz Wissen
Students will acquire basic knowledge of the techniques, opportunities and applications of decision
theory. Successful participants will be able to identify opportunities for decision support in an enterprise
enviroment, select and apply appropriate techniques, and interpret the results. [Wissen, 7]
Nicht relevant
Sozialkompetenz
Nicht relevant 7]
3 Inhalte:
The Module is based on the Textbook: Artificial Intelligence: A Modern Approach by Stuart
Russell and Peter Norvig and will cover the following chapters:
• Intelligent Agents
• Logical Decision Making
Seite 17
__________________________________________________________________________________________________________
• Quantifying Uncertainty
• Probabilistic Reasoning
• Making Simple Decisions
• Game Theory and Mechanism Design
• Russell, S., Norvig, P. (2016). Artificial Intelligence: A Modern Ap-proach (Third Global Edition).
Prentice Hall.
Keine
5 Prüfungsformen:
Klausur K60
Prof. Dr. Stuckenschmidt

Dozenten: Prof. Dr. Stuckenschmidt
30100 Big Data
Modul: Big Data

zeit studium (ECTS)
Kompetenz Wissen
Die Studierenden
- kennen Systeme und Techniken für die parallele Datenverarbeitung
- kennen die Aufgabenstellungen aus dem Themengebiet von Big Data [Wissen, 7]
Die Studierenden
Themengebiet Big Data zu erkennen, diese, basierend auf eigenem Wissen und durch
Seite 18
__________________________________________________________________________________________________________
- sind in der Lage, eine anwendungsbezogene Evaluation von Daten, –Zugriffs- und –
Verwaltungstechniken sowie von den diese Techniken implementierenden Systemen
- sind in der Lage wissenschaftliche Beiträge im Themenbereich Big Data eigenständig
Sozialkompetenz
Die Studierenden können im Rahmen einer eigenständigen Arbeit neue Ansätze für einen Big
Data Prozess mit komplexer Aufgabenstellung entwickeln [Team-/Führungsfähigkeit, 7]
Selbstständigkeit
3 Inhalte:
Vorlesung:
- Überblick zu NO-SQL-Datenbanken
- Überblick zu Graphendatenbanken
- Architekturen für verteiltes und paralleles Datenmanagement und Datenverteilung
- Verteilte Anfragebearbeitung
- Clustering, Map Reduce, YARN, Tez
- Verteilte Datenbanken
- Vertikale/horizontale Fragmentierung
- Fragmentierungstransparenz
- Transaktionskontrolle
- Frameworks für Skalierung und Parallelisierung der Datenzugriffe am Beispiel von
Apache Hadoop, Spark und verteilten RDBMS
Praktikum:
Arbeiten mit Apache Hadoop, Spark Clustern, IBM Cloud, Azure, IBM Data Warehouse
Arbeiten mit MongoDB, Apache Cassandra, Neo4J
Arbeiten mit Injectiontools wie Apache Nifi, Talend, IBM NodeRed
Ramon Wartala: Hadoop: Zuverlässige, verteilte und skalierbare Big-Data-Anwendungen, Open

Source Press
Edward Capriolo, Dean Wampler, Jason Rutherglen: Programming Hive, O’Reilly
Tom White: Hadoop. The definitive Guide, O’ Reilly
Tobias Trelle: MongoDB, Der praktische Einstieg
Edward Capriolo, et. al: Programming Hive Erhard Rahm, et. al: Verteiltes und Paralleles
Datenmanagement
Kenntnisse von relationalen Datenbanken
5 Prüfungsformen:
Klausur K 60
Seite 19
__________________________________________________________________________________________________________
Prof. Dr. Eppler

Dozenten: Prof. Dr. Eppler
30200 Advanced Machine Learning

Modul: Advanced Machine Learning

zeit studium (ECTS)
Kompetenz Wissen
Die Studierenden
- kennen wesentliche Begriffe des Maschinellen Lernens
- kennen fortgeschrittene Verfahren und Techniken für das Maschinelle Lernen
- kennen fortgeschrittene Aufgabenstellungen aus dem Themengebiet von Maschinellem Lernen
Diese Vorlesungen vermitteln einen systematischen vereinheitlichenden Überblick über Methoden des
maschinellen Lernens und deren Anwendungsmöglichkeiten. Nach Abschluss dieses Moduls soll der/die
Studierende die wichtigsten Methoden kennen und verstehen, sowie in der Lage sein - je nach
Problemstellung - geeignete Verfahren des Maschinellen Lernens auszuwählen, anzuwenden und zu
evaluieren. [Wissen, 7]
Die Studierenden
- sind in der Lage fortgeschrittene Problem- und Aufgabenstellungen mit Bezug auf das
Themengebiet Machine Learning zu erkennen, diese, basierend auf eigenem Wissen und durch
- sind in der Lage, eine anwendungsbezogene Evaluation von fortgeschrittenen Verfahren und Methoden
des Maschinellen Lernens sowie von den diese Verfahren implementierenden Systemen
- sind in der Lage wissenschaftliche Beiträge im Themenbereich Machine Learning eigenständig
Sozialkompetenz
Die Studierenden können im Rahmen einer eigenständigen Arbeit neue Ansätze für eine
Problemstellung im Bereich Machine Learning entwickeln und diese im Team umsetzen [Team-
Seite 20
__________________________________________________________________________________________________________
Selbstständigkeit
Die Studierenden sind in der Lage komplexe Aufgaben im Bereich Maschinelles Lernen
verantwortungsvoll zu erfüllen, realistische Ziele zu definieren und diese konsequent zu
verfolgen. [Eigenständigkeit/Verantwortung, 7]
3 Inhalte:
Aufbauend auf den Vorlesungen "Data Mining" und "Decision Support" vermittelt diese
Vorlesung einen fundierten Überblick über Methoden des maschinellen Lernens und deren
Anwendungen:
• Einfache lineare Modelle für Regression und Klassifikation
• Neuronale Netzwerke
• Kernel-Methoden & Support Vector Machines
• Graphical Probabilistic Models
• Kombination von Modellen
• Lernen von Verhaltensmodellen
• Implementierung/Anwendung ausgewählter Methoden mit Python, Numpy, Pandas, Scikit-
learn
- Convolutional Neural Networks und Deep Learning
- Recurrent Neural Networks und LSTM
- Kernel Methoden und Support Vector Machines
- Graphical Probabilistic Models
- Lernen Probabilistischer Modelle und Expectation Maximization
- Modellkombination
- Lernen von Verhaltensmodelle
- Implementierung/Anwendung ausgewählter Methoden mit Python, Numpy, Scikit-learn,
Tensorflow, Keras
-Bishop, C. (2006). Pattern Recognition and Machine Learning. Springer.

- I.Goodfellow, Y.Bengio, A.Courville: Deep Learning. MIT Press, 2016.
- F.Chollet: Deep Learning mit Python und Keras. MITP, 2018.
- Raschka, S. (2016). Python Machine Learning. Packt Publishing.
- McKinney, W. (2013). Python for Data Analysis. O’Reilly.
Keine
5 Prüfungsformen:
Klausur K60
Prof. Dr. Knoblauch

Dozenten: Prof. Dr. Knoblauch
Seite 21
__________________________________________________________________________________________________________
Seite 22
__________________________________________________________________________________________________________
30300 Text Mining
Modul: Text Mining

zeit studium (ECTS)
Kompetenz Wissen
Successful participants will be able to understand fundamental methods for Natural Language
Processing, as well as being able to select, apply and evaluate the most appropriate techniques for a
variety of different practical and application-oriented scenarios. [Wissen, 7]
Nicht relevant
Sozialkompetenz
Nicht relevant 7]
3 Inhalte:
In the digital age, techniques to automatically process textual content have become ubiquitous.
Given the breakneck speed at which people produce and consume textual content online – e.g.,
on micro-blogging and other collaborative Web platforms like wikis, forums, etc. – there is an
ever-increasing need for systems that automatically understand human language, answer
natural language questions, translate text, and so on. This class will provide a complete
introduction to principles and methods of Natural Language Processing (NLP). Covered topics
include a complete introduction to all major sub-fields of NLP (syntax, semantics, etc.), as well
as applications (e.g., Machine Translation, Information Extraction).
• Jurafsky, D., Martin, J. H. (2009). Speech and Language Processing: An Introduction to Natural
Language Processing, Speech Recog-nition, and Computational Linguistics (2nd ed.). Prentice-
Hall.
• Manning, C., Schütze, H. (1999). Foundations of Statistical Natural Language Processing. MIT
Press. Cambridge, MA.
Modul 10300 – Data Mining
5 Prüfungsformen:
Klausur K60
Projektarbeit Pj
Seite 23
__________________________________________________________________________________________________________
Prof. Dr. Ponzetto

Dozenten: Prof. Dr. Ponzetto, Prof. Dr. Glavaš
30400 Business Process and Big Data Use Cases

Modul: Business Process and Big Data Use Cases

zeit studium (ECTS)
Kompetenz Wissen
In diesem Modul lernen die Studierenden den Anwendungsbezug von Big Data Analytics in der
unternehmerischen Praxis. Das Modul wie Unternehmen mit Big Data Lösungen messbare Beiträge für die
Wertschöpfung leisten. Hierzu lernen die Studierenden, wie Big Data Analytics Projekte gemanagt werden,
welche Wertschöpfungs- und Businessmodelle in der Datenwirtschaft möglich sind und wie Big Data
Technologien für smarte und zukunftsorientierte Geschäftsprozesse im Unternehmen genutzt werden
können. [Wissen, 7]
Die Studierenden können relevante und für Unternehmen wichtige betriebswirtschaftliche und
technologische Anwendungsfälle der Big Data zu identifizieren, abzugrenzen und beschreiben
Die Studierenden können die Anwendungsfälle in konkrete Projektstrukturen überführen und sind in der
Lage, die erforderlichen Ressourcen hierfür zu identifizieren und zu evaluieren. Die Studierenden sind in
der Lage, den kaufmännischen, prozessualen oder technologischen Wertbeitrag der Big Data Projekte zu
evaluieren und zu dokumentieren. [Instrumentelle Fertigkeiten, 7]
Sozialkompetenz
Die Studierenden erlenen in Kleinteams praxisorientierte Aufgabenstellungen zu bearbeiten, zu
präsentieren und zu verteidigen. [Team-/Führungsfähigkeit, 7]
Selbstständigkeit
3 Inhalte:
• Geschäftsmodelle in der Datenwirtschaft

• Kategorisierung und Vorstellung von praxisrelevanten Use cases
• Vorgehensmodelle für BDA-Projekte
• Management von BDA-Projekten
Seite 24
__________________________________________________________________________________________________________
• Return on Investment von BDA-Projekten
• Referenzarchitekturen für BDA-Systeme
• Rollen und Ressourcen in BDA-Projekten
• Aspekte der Data Governance und Data Compliance
DeGraf, Rober: Managing your Data Science Project, apress, 2019

Marr, Bernard: Data Strategy, KoganPage, 2017
Stacey, Patrick: Managing Big Data Analytics Projects, Achamore Books, 2017
McGilvray, Danette: Executing Data Quality Projects, Elsevier Inc., 2008
Keine
5 Prüfungsformen:
Klausur K60
Projektarbeit Pj
Prof. Dr. Ruf

Dozenten: Prof. Dr. Ruf
Seite 25
__________________________________________________________________________________________________________
40100 Summer School
Modul: Summer School

zeit studium (ECTS)
Projektarbeit in Präsenz Deutsch
75h 0h 2,5
Kompetenz Wissen
Die Studierenden
Die Studierenden lernen im Rahmen der SummerSchool(Kompakt-seminar) unter Anleitung
von Experten Werkzeuge und Methoden zur Analyse kennen und geeignet anzuwenden.
[Wissen, 7]
Die Studierenden sind in der Lage die Problem- und Aufgabenstellungen mit Bezug auf das
Themengebiet Data Science zu erkennen, diese, basierend auf eigenem Wissen und durch
oder im Team umzusetzen.. [Instrumentelle Fertigkeiten, 7]
Sozialkompetenz
Die Studierenden können im Rahmen einer Teamarbeit neue Ansätze für einen Data
Scienceprozess mit komplexer Aufgabenstellung entwickeln [Team-/Führungsfähigkeit, 7]
Selbstständigkeit
Die Studierenden sind in der Lage komplexe Aufgaben verantwortungsvoll zu erfüllen,
realistische Ziele zu definieren und diese konsequent zu verfolgen.
3 Inhalte:
Einführung in DataScience Tools und -werkezeuge (1 Woche)
Projektarbeit an konkreten Datensätzen (1 Woche)
keine
5 Prüfungsformen:
Projektarbeit und Referat
Seite 26
__________________________________________________________________________________________________________
Während einer Präsenzwoche ist eine Gruppenarbeit zu erstellen und diese zu präsentieren.
Prof. Dr. Eppler

Dozenten: Prof. Dr. Ruf, Prof. Dr. Herda, et.al.
40200 Seminararbeit
Modul: Seminararbeit

zeit studium (ECTS)
Fernstudien, Hausarbeit Deutsch/
Englisch 0h 225h 7,5
Kompetenz Wissen
Die Studierenden
Der Studierende ist in der Lage das in den Semestern 1 bis 3 erlernte Wissen in einer
wissenschaftlichen Arbeit umzusetzen [Wissen, 7]
Die Studierenden
Themengebiet Data Science in einer wissenschaftlichen Arbeit umzusetzen und zu präsentieren
[Instrumentelle Fertigkeiten, 7]
Selbstständigkeit
3 Inhalte:
Alle Themengebiete aus dem Bereich Data Science
keine
5 Prüfungsformen:
Praktische Arbeit (5 ECTS)

Referat (2,5 ECTS)
Seite 27
__________________________________________________________________________________________________________
keine
Alle Dozenten des Studienganges Data Science
50100 Advanced Statistics

Modul: Advanced Statistics

zeit studium (ECTS)
Kompetenz Wissen
Die Studierenden sind in der Lage erweitere statistische Techniken zur statistischen Analyse von
Datensätzen anzuwenden. Die Studierenden verstehen die diesen Techniken zugrundeliegenden
theoretischen Konzepte, sind in der Lage diese unter zu Hilfenahme von Python und/oder R-Bibliotheken
anzuwenden und entwickeln ein grundlegendes Verständnis dafür, was moderne Bayessche Statistik,
Methoden der multivariaten Statistik, der EM-Algorithmus und probabilistic Programming leisten können
und für welche Anwendungen diese einsetzbar sind. [Wissen, 7]
Die Studierenden können die theoretischen Inhalte praktisch mit verschiedenen Systemen und Tools
umsetzen. [Instrumentelle Fertigkeiten, 7]
Sozialkompetenz
Die Studierenden können statistische Sachverhalte anderen vermitteln. [Kommunikation, 6]
3 Inhalte:
• Multivariate Verteilungen
• Darstellung Multivariater Verteilungen
• Multivariate Regression und Multiple Discriminant Analyses
• MANOVA
• Gaußsche Mischmodelle
• EM-Algorithmus
• Bayessche Statistik
• Markov Chains
• Markov-Chain-Monte-Carlo Sampler (Gibbs, Metropolis-Hastings, No-U-Turn, usw)
• Probablistic-Programming-Bibliotheken
Seite 28
__________________________________________________________________________________________________________
• Theano, PyMC3, Stan
• Probabilistic Modeling
• Davidson-Pilon, C. (2015). Bayesian Methods for Hackers: Probabi-listic Programming and

Bayesian Inference. Addison Wesley.
• Bruce, P., Bruce, A. (2017). Practical Statistics for Data Scientists. O’Reilly.
Modul 10100 – Programming for Data Science
5 Prüfungsformen:
Klausur K60

Seite 29
__________________________________________________________________________________________________________
50200 Web Mining
Modul: Web Mining

zeit studium (ECTS)
Kompetenz Wissen
Students will acquire knowledge of the foundation, techniques and applications in the field of Web
mining. [Wissen, 7]
Nicht relevant
Sozialkompetenz
Nicht relevant
Die Studierenden erarbeiten sich den Inhalt selbständig anhand von Studienbriefen. In der
Porjektarbeit während des Präsenzwochenendes erarbeiten die Studierenden selbständig neue
Inhalte. [Eigenständigkeit/Verantwortung, 7]
3 Inhalte:
Structured and unstructured data available on the Web provide us with a goldmine of
information that has the potential to enable cutting-edge intelligent applications. This class
covers a variety of topics focused on mining techniques for Web data, including extracting
knowledge from Web content (Web Content Mining), the link structure of the Web (Web
Structure Mining), as well as mining usage data gathered by Web applications (Web Usage
Mining).
• Liu, B. (2011). Web Data Mining (2nd Edition). Springer.

• De Nooy, W., Mrvar, A., Batagelj, V. (2011). Exploratory Social Network Analysis with Pajek.
Cambridge University Press.
• Jannach, D. (2011). Recommender Systems: An Introduction. Campridge University Press.
Modul 10300 – Data Mining
5 Prüfungsformen:
Klausur K60
Projektarbeit Pj
Seite 30
__________________________________________________________________________________________________________
Prof. Dr. Ponzetto

Dozenten: Prof. Dr. Ponzetto, Prof. Dr. Glavaš
50300 Semantic Web Technologies

Modul: Semantic Web Technologies

zeit studium (ECTS)
Kompetenz Wissen
The participants of this course learn about principles and applications of Semantic Web standards. They
become familiar with their technical foundations such as representation and query languages, or logical
inference. After taking this course, the students will be aware of the problems and benefits of semantic
technologies in the context of tasks such as knowledge management, information search and data inte-
gration, and they will be capable of judging the applicability of these technologies for addressing practical
challenges. [Wissen, 7]
Nicht relevant
Sozialkompetenz
Nicht relevant
3 Inhalte:
This course gives an introduction to the technical foundations of Semantic Web Technologies,
including knowledge representation and query languages, as well as logical inference. More
specifically, it covers the following contents:
• Vision and Principles of the Semantic Web
• Representation Languages (XML, RDF, RDF Schema, OWL)
• Knowledge Modeling: Ontologies and Linked Data
• Logical Reasoning in RDF and OWL
• Commercial and Open Source Tools and Systems
Seite 31
__________________________________________________________________________________________________________
• Hitzler, P., Krötzsch, M., Rudolph, S. (2009). Foundations of Semantic Web Technologies.
Chapman & Hall/CRC.
Keine
5 Prüfungsformen:
Klausur K60
Prof. Dr. Stuckenschmidt

Dozenten: Prof. Dr. Stuckenschmidt
Seite 32
__________________________________________________________________________________________________________
50400 Data Privacy & Data Compliance
Modul: Data Privacy & Data Compliance

zeit studium (ECTS)
Kompetenz Wissen
Nach Abschluss des Moduls kennen die Studierenden die wichtigsten US-, EU- und deutschen
Datenschutznormen und sind in der Lage, Unterschiede herauszustellen. Sie kennen die Voraussetzungen
der Datenverarbeitung und können sie rechtlich würdigen sowie in den betrieblich-organisatorischen
Kontext einordnen. Die Studierenden haben auf der Grundlage von Praxisfällen gelernt, wie Projekte aus
Datenschutzperspektive zu bearbeiten sind. Sie kennen die Schutzziele von Europäischer Datenschutz-
Grundverordnung als auch weiteren Datenschutzbestimmungen und können deren Berücksichtigung
dokumentieren und bewerten. Die Studierenden kennen technische Lösungen zur Umsetzung des
Datenschutzes und sind befähigt, diese auf konkrete Use Cases anzuwenden. [Wissen, 7]
Die Studierenden sind in der Lage
- datenschutzrechtlich relevante Situationen zu erkennen, und haben die Fähigkeit, zu entscheiden,

welche Gesetzesmaterie sie heranziehen müssen, um die datenschutzrechtliche Bestimmungen für einen
konkreten Anwendungsfall zu ermitteln.
-sachgebietsbezogene Fragen der Gestaltung und Steuerung von berufspraktischen Kontexten unter
Berücksichtigung technischer, organisatorischer und rechtlicher Faktoren zu reflektieren und mündlich
oder schriftlich zu erörtern.
- die Relevanz von wissenschaftlichem und historischem Wissen für den eigenen berufspraktischen
Kontext einzuschätzen und wissenschaftliche Fachliteratur zu recherchieren und reflektieren.
- sich differenziert und allgemeinverständlich schriftlich und mündlich zu Fragestellungen in

datenschutzrechtlichen Kontexten äußern.
-ihr Wissen und Verständnis sowie ihre Fähigkeiten zur Problemlösung auch in neuen und unvertrauten
Situationen anzuwenden, die in einem breiteren oder multidisziplinären Zusammenhang mit dem
Datenschutz stehen. [Instrumentelle Fertigkeiten, 7]
Sozialkompetenz
Die Studierenden sind in der Lage effektiv als Einzelner oder in Teams zu arbeiten, gepaart mit der
Fähigkeit, lebensbegleitend zu lernen. Sie können effektiv mit der Wissensgemeinschaft der
Datenschützer und den mit der Datenschutzumsetzung betroffenen Stakeholdern kommunizieren.7]
Selbstständigkeit
Die Studierenden können aktive und individuell nützliche Ziele und Prioritäten setzen und diese
verfolgen. Neben der Beschäftigung mit kurzfristigen Lösungen und nützlichen Methoden werden
Selbstreflexionsprozesse angeregt, die sich mittel- und langfristig positiv auf die Entwicklung von Zeit-
Seite 33
__________________________________________________________________________________________________________
und Selbstmanagement und Leistungsfähigkeit im Berufsleben auswirken.
3 Inhalte:
• Grundlagen des Datenschutzes

• Abgrenzung zu anderen Grundrechten und Rechten
• Normativer Rahmen für Data Privacy & Data Compliance
• Big-Data-Anwendungen & datenschutzrechtliche Fragestellungen
• Technische Maßnahmen zur Gewährleistung des Datenschutzes
• Auftrags(daten)verarbeitung
• Anforderungen an den betrieblichen Datenschutzbeauftragten
• Aufbau einer Datenschutzorganisation
• Rüpke, Giselher/v. Lewinski, Kai/Eckardt, Jens (2018). Datenschutzrecht, Grundlagen und

Neugestaltung. München.
• Mayer-Schönberger, Viktor/Cukier, Kenneth (2017). Big Data.London
• Koch, F. A. (2015). Big Data und der Schutz der Daten. ITRB, 13-20.
• Weimer, L. (Hrsg.), (2017). Datenschutz, IT-Sicherheit & Cyber-Risiken (4. Auflage). Heidelberg.
Keine
5 Prüfungsformen:
Klausur K60
Prof. Dr. Ruf

Dozenten: Prof. Dr. Ruf, Frau Zierau
Seite 34
__________________________________________________________________________________________________________
60100 Masterthesis
Modul: Masterthesis

zeit studium (ECTS)
Thesis, Verteidigung Deutsch/
Englisch 0h 900h 30
Kompetenz Wissen
Die Studierenden
Mit der Master-Arbeit erbringt der Student den Nachweis, dass er unter Anleitung selbstständige
umfangreiche wissenschaftliche Themen bearbeiten kann. Er zeigt damit, dass er in der Lage ist,
praxisorientierte oder theoretische Themenstellungen nach wissenschaftlichen Kriterien zu
analysieren, zu strukturieren und ergebnisorientiert zu bearbeiten. Die Master-Thesis
dokumentiert seine Arbeit und erfüllt die Kriterien eines wissenschaftlichen Berichts. Der
Student erläutert und begründet seine Vorgehensweisen, Methoden und seinen Lösungsweg. Mit
der Verteidigung wird das erworbene Wissen des Studenten im Zusammenhang geprüft. Er
zeigt, dass er das im Studium erworbene Wissen zur Lösung umfassender Probleme der Data
Science anwenden kann. [Wissen, 7]
Die Studierenden
Themengebiet Data Science in einer grossen wissenschaftlichen Arbeit umzusetzen und zu präsentieren
[Instrumentelle Fertigkeiten, 7]
Selbstständigkeit
3 Inhalte:
Alle Themengebiete aus dem Bereich Data Science
keine
5 Prüfungsformen:
Thesis 25 ECTS
Verteidigung M40 5 ECTS
Seite 35
__________________________________________________________________________________________________________
Bestehen die Masterthesis (schriftliche Ausarbeitung).
Bestehen die mündliche Prüfung/Verteidigung
Alle Dozenten des Studienganges Data Science
Seite 36

2020 Modulhandbuch DS

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

2020 Modulhandbuch DS

Hochgeladen von

Copyright:

Verfügbare Formate

Berufsbegleitender Masterstudiengang

Data Science (M.Sc.)

Im 4. Semester wird ein zweiwöchiges Kompaktseminar durchgeführt, in welchem die Studierenden

2 Modulübersicht & Studienplan

Master-Thesis (25 ECTS) und Verteidigung (5 ECTS)

Summer School Modul 40100, 2,5 ECTS

Business Process &

Business Intelligence & Mathematical Foundations Programming

Programming for Data Science x x x

Kompetenzen Personale Kompetenz

10100 Programming for Data Science 5 1 2 2

10200 Mathematical Foundations for Data Science 5 1 2 2

10300 Data Mining 5 1 2 2

10400 Business Intelligence & Warehouse 5 2 2 1

20200 WebData Integration 5 1 2 2

20300 Machine Learning 5 1 2 2

20400 Decision Support 5 1 2 2

30100 Big Data 5 1 2 2

30200 Advanced Machine Learning 5 1 2 2

30300 Text Mining 5 1 2 2

30400 Business Process and Big Data Use Cases 5 2 2 1

40100 Summer School 5 2 2 1

10100 Programming for Data Science

10100 Workload Modulart Studiensemester Dauer Häufigkeit

1 Lehrveranstaltung(en) Sprache Präsenz- Selbst- Credits

2 Lernergebnisse (learning outcomes), Kompetenzen:

6 Voraussetzungen für die Vergabe von Kreditpunkten:

Am Präsenzwochenende ist eine Klausur (60 min) zu schreiben.

Prof. Dr. Häberlein

10200 Mathematical Foundation for Data Science

10200 Workload Modulart Studiensemester Dauer Häufigkeit

1 Lehrveranstaltung(en) Sprache Präsenz- Selbst- Credits

2 Lernergebnisse (learning outcomes), Kompetenzen:

• Grundbegriffe der Stochastik (Ereignis, Wahrscheinlichkeit, Be-dingte Wahrscheinlichkeit,

Grundlegendes Mathematisches Verständnis in Analysis (Ableitungen, Integration,

6 Voraussetzungen für die Vergabe von Kreditpunkten:

Am Präsenzwochenende ist eine Klausur (60 min) zu schreiben.

Prof. Dr. Häberlein

10300 Data Mining

10300 Workload Modulart Studiensemester Dauer Häufigkeit

1 Lehrveranstaltung(en) Sprache Präsenz- Selbst- Credits

2 Lernergebnisse (learning outcomes), Kompetenzen:

6 Voraussetzungen für die Vergabe von Kreditpunkten:

Prof. Dr. Bizer

10400 Business Intelligence & Warehouse

10400 Workload Modulart Studiensemester Dauer Häufigkeit

1 Lehrveranstaltung(en) Sprache Präsenz- Selbst- Credits

2 Lernergebnisse (learning outcomes), Kompetenzen:

Abgrenzung dispositive vs. operative Datenbestände (OLTP / OLAP)

Visualisierung von Kennzahlen

6 Voraussetzungen für die Vergabe von Kreditpunkten:

Prof. Dr. Nemirovskij, Prof. Dr. Bernd Stauß

20100 Workload Modulart Studiensemester Dauer Häufigkeit

1 Lehrveranstaltung(en) Sprache Präsenz- Selbst- Credits

2 Lernergebnisse (learning outcomes), Kompetenzen:

Normalformen und Funktionale Abhängigkeiten

Alfons Kemper, Andre Eickler: Datenbanksysteme, De Gruyter Studium, 2015

6 Voraussetzungen für die Vergabe von Kreditpunkten:

Am Präsenzwochenende ist eine Klausur (60 min) zu schreiben.

Prof. Dr. Eppler

20200 WebData Integration

20200 Workload Modulart Studiensemester Dauer Häufigkeit

1 Lehrveranstaltung(en) Sprache Präsenz- Selbst- Credits